Серебряный век воплощенного интеллекта: глубокое погружение

Введение

В статье рассматривается текущее состояние воплощенного интеллекта, которое описывается как "серебряный век" - период интенсивных исследований между начальным появлением и полной зрелостью технологии. Обсуждение ведется в рамках круглого стола на конференции Volcano Engine FORCE, где эксперты из различных областей изучали потенциал больших моделей в ускорении развития робототехники.

Предпосылки

Быстрое развитие больших моделей искусственного интеллекта стимулировало значительные инвестиции в индустрию робототехники. Однако этот всплеск финансирования также несет в себе риск перегрева рынка. Основная задача состоит в том, чтобы определить истинные прорывы в технологии и ее применении. Ключевые вопросы включают:

• Следует ли сосредоточиться на обучении с подкреплением или имитационном обучении?
• Важнее ли отдавать приоритет моделированию или тестированию в реальном мире?
• Следует ли делать акцент на зрении или физических движках?

Участники круглого стола

В круглом столе приняли участие эксперты из различных областей:

• Чен Ян: вице-президент Galaxy General Robotics
• Ши Линсян: руководитель отдела инновационного инкубирования в Volcano Engine (модератор)
• Ву Ди: руководитель отдела интеллектуальных алгоритмов в Volcano Engine
• Ван Хаоцзи: партнер Matrix Partners China
• Ван Сяо: основатель Nine Chapters Capital
• Ян Вэйсинь: соучредитель Shanghai Zhiyuan Robotics и научный руководитель докторантуры в Шанхайском университете Цзяо Тун

Ключевые моменты обсуждения

Всплеск инвестиций в робототехнику

Почему такой ажиотаж? Приложения ИИ делятся на две категории: программные приложения (такие как чат-боты и генерация видео) и аппаратные приложения (такие как робототехника). Робототехника рассматривается как наиболее универсальное аппаратное приложение ИИ.

Инвестиционный фокус: Инвесторы ищут компании, которые могут интегрировать как программное, так и аппаратное обеспечение и продемонстрировать реальные приложения, выходящие за рамки демоверсий.

Проблемы коммерциализации: Коммерциализация роботов происходит медленнее, чем ожидалось, особенно в сложных условиях, таких как дома и B2B-сервисы.

• Необходимо улучшить координацию между "мозгом" (ИИ) и "маленьким мозгом" (системами управления).
• Снижение стоимости имеет решающее значение для широкого распространения.

Путь к коммерциализации

Консенсус: Существует общее согласие с тем, что робототехника будет успешной, но сроки и лидирующие компании пока не определены.

Множество победителей: Рынок вряд ли будет доминировать одна компания, как в случае с индустрией электромобилей.

Первоначальная коммерциализация: Большие модели обеспечили роботов улучшенными возможностями взаимодействия и мышления.

Технические препятствия: Хотя нет непреодолимых технических барьеров, процесс будет более длительным и сложным, чем ожидалось.

Роль венчурного капитала: Венчурные капиталисты играют решающую роль в ускорении развития, предоставляя финансирование.

Важность общего интеллекта

Смена фокуса: Фокус должен быть на адаптации роботов к людям и окружающей среде, а не наоборот.

Данные моделирования: Использование большого количества данных моделирования является ключом к обеспечению общего интеллекта роботов.

Проблемы стартапов: Стартапы в области робототехники сталкиваются со значительными проблемами в области технологий, разработки продуктов и бизнес-моделей.

Отраслевое сотрудничество: Отрасли необходимо сотрудничество по всей цепочке поставок и поддержка со стороны инвесторов.

Технические пути для воплощенного интеллекта

Имитационное обучение и обучение с подкреплением: Использование имитационного обучения для улучшения обучения с подкреплением является жизнеспособным подходом для управления походкой.

Моделирование для нижних конечностей: Данные моделирования эффективны для управления походкой нижних конечностей, но настройка параметров и согласованность продукта по-прежнему являются проблемами.

Фокус на верхних конечностях: Необходимо сместить акцент с движения нижних конечностей на общие возможности выполнения задач гуманоидными роботами.

Выполнение задач: Основное внимание должно уделяться возможностям выполнения задач, а не только передвижению.

Проблемы с данными: Сбор и стандартизация данных, особенно для сложных задач, является серьезной проблемой.

Данные из реального мира: Данные из реального мира имеют решающее значение, особенно для сложных физических взаимодействий, которые трудно моделировать.

Моделирование против данных из реального мира

Данные моделирования: Данные моделирования более экономичны, масштабируемы и универсальны для обучения моделей общего назначения.

Данные из реального мира: Данные из реального мира необходимы для улавливания нюансов физических взаимодействий, таких как трение и эластичность.

Модели мира: Как только у роботов появятся надежные модели мира, крупномасштабные симуляции можно будет использовать для тестирования и улучшения их производительности в различных сценариях.

Будущие применения

Ближайшие приложения (2-3 года)

Промышленное производство: Роботы могут выполнять сложные задачи, требующие ловкости в контролируемых условиях.

Удаленные операции: Роботы могут использоваться в опасных условиях, например, при работе с опасными материалами.

Контролируемые среды: Роботы будут развернуты в контролируемых средах, таких как рестораны, отели и фабрики.

Конкретные задачи: Роботы будут использоваться для таких задач, как доставка еды, приготовление кофе и выполнение легкого технического обслуживания.

Фабрики, офисы и безопасность: Это наиболее вероятные области для первоначального развертывания.

Долгосрочные приложения

Домашняя среда: Самым сложным, но очень ожидаемым применением является домашняя среда.

Домашние дела: Роботы в конечном итоге смогут выполнять такие задачи, как приготовление пищи, складывание белья и уборка.

Снижение стоимости: По мере развития технологий стоимость роботов будет снижаться, что сделает их более доступными для потребителей.

Роботы общего назначения: Основное внимание будет перенесено на роботов общего назначения, которые могут удовлетворять различные потребности.

Рыночные соображения: Компаниям необходимо учитывать функциональность, производительность, открытость и устойчивость к риску различных приложений.

Volcano Engine VeOmniverse

Платформа виртуального моделирования: veOmniverse — это облачная платформа для моделирования и обучения роботов.

Реалистичные среды: Она создает очень реалистичные цифровые среды для обучения и тестирования роботов.

Экономичность: Она снижает потребность в физическом оборудовании и снижает затраты на разработку.

Комплексное обучение: Платформа использует визуальные движки, физические движки, моделирование датчиков и 3D-генерацию для создания комплексной системы обучения.

Поддержка ИИ: Платформа использует ИИ для генерации высококачественных обучающих данных и ускорения процесса обучения.

Настройка: Платформа открыта и настраиваема, что позволяет компаниям разрабатывать персонализированные приложения для цифровых двойников.

Ускоренная разработка: Она помогает компаниям быстро создавать, проверять и оптимизировать модели роботов.

Трансформация отрасли: veOmniverse является ключевым инструментом для интеллектуальной и цифровой трансформации индустрии робототехники.